Come gestire (o non gestire) una workforce di AI agent

L'AI non ti ruberà il lavoro. Ma qualcuno che sa orchestrare una workforce di AI agent al posto tuo, probabilmente sì.

Negli ultimi mesi ho iniziato a sperimentare seriamente con team di agent AI. Non parlo di un singolo chatbot che risponde alle email: parlo di sistemi articolati, con agent che collaborano tra loro, si passano informazioni, escalano decisioni. E più vado avanti, più mi convinco di una cosa: la parola "gestire" è sbagliata.

Perché "gestire agent" è il mindset sbagliato

Quando parliamo di "gestire agent", immaginiamo di essere il capo di un team: Susie, vai qui. Marco, fai quello. È un modello gerarchico classico, in cui siamo noi il collo di bottiglia. Ma il vero potenziale degli agent AI emerge quando smettiamo di delegare compiti e iniziamo a costruire infrastrutture.

Penso alla mia esperienza con sistemi multi-agent: ho costruito una piccola workforce di 34 agent coordinati da un "Chief of Staff" AI (l'ho chiamato Simon, da Friends). Il mio ruolo non è micromanaggiare ogni task: è definire obiettivi, fornire contesto, e intervenire solo quando serve un'escalation o una decisione strategica.

In pratica, non sono più il manager diretto. Sono tre livelli sopra: SVP che aspetta report di eccezione, non capo che assegna to-do list.

Il prompt più potente che abbia mai scritto: tre parole

La svolta è arrivata quando ho capito che stavo limitando il mio business alla mia stessa immaginazione. Ogni task che gli agent eseguivano partiva da un mio input: io ero sempre il primo domino. Poi ho fatto un esperimento radicale.

Ho dato agli agent un prompt di tre parole: "Do smart things".

Sembra vago, quasi stupido. Ma accompagnato dal contesto giusto — accesso a documenti strategici, trascrizioni di meeting, email, calendario, GitHub, Notion — questo prompt ha trasformato la dinamica. Gli agent hanno iniziato a proporre azioni, a risolvere problemi che non avevo ancora identificato, a muoversi in modo proattivo.

Ovviamente, non gli ho dato carta bianca totale: continuano a chiedermi conferma prima di inviare email o fare modifiche critiche. Ma la larghezza del loro raggio d'azione è esplosa. Non è più "esegui questo", è "trova cosa serve e fallo".

Proattività vs automazione trigger-based

C'è una differenza enorme tra automazione classica e proattività AI. Un esempio banale: ho un workflow automatico che, ogni volta che registro un video e lo salvo in una cartella, genera trascrizione, bozze di post social per LinkedIn e Instagram, script per reel. Funziona benissimo, ma è deterministico: trigger → azione.

La proattività vera è diversa: gli agent decidono quali task intraprendere, non solo come eseguirli. Per farlo, servono tre ingredienti:

• Obiettivi chiari: ogni trimestre faccio una "goal review" con la mia workforce AI. Sì, letteralmente: rileggo con loro gli obiettivi di business e personali, aggiorno i documenti strategici.
• Accesso a strumenti: se un agent non può leggere le email o accedere al CRM, non può essere proattivo.
• Contesto continuo: ho creato un sistema di "diary entry" giornaliere. Alla fine della giornata, detto note vocali su cosa è successo, insight non codificati altrove (tipo: "Il cliente X pensa di aver bisogno di workflow automation, ma in realtà ha un problema di reskilling del team"). Questo finisce in una wiki personale che tutti gli agent possono interrogare.

Il risultato? Agent che mi sorprendono con soluzioni a cui non avevo pensato.

Costruire una workforce AI: da dove iniziare

Sarebbe bello se bastasse un prompt per avere un dream team di agent perfettamente funzionanti. La realtà è che serve iterazione. Ma il percorso non è impossibile, anzi.

Step 1: Sperimenta con un singolo agent. Impara cosa significa lavorare con un'AI che fa qualcosa per te in modo autonomo.

Step 2: Prova la proattività. Chiedi all'agent di fare qualcosa senza che tu debba dare il via ogni volta.

Step 3: Fai collaborare due agent. Uno che passa informazioni all'altro, o che instrada task. Qui capisci come funziona il passaggio di contesto.

Step 4: Scala a una workforce. A questo punto sai già quali strumenti servono, quali agent possono girare su modelli più leggeri (non tutto ha bisogno di Claude Opus), come evitare duplicazioni.

Un consiglio che do sempre: non fare tutto da solo. Usa un agent come "watchdog" che osserva gli altri agent lavorare e ti segnala attriti, accessi mancanti, task duplicati. Io ho un agent (Toby) il cui unico lavoro è questo: guardare la workforce, prendere appunti, suggerire ottimizzazioni.

Ruoli AI nativi: oltre i job title del 2015

Se costruisci una workforce di agent usando solo job title tradizionali — CMO, CFO, CTO — stai replicando una struttura del 2015. Ma gli agent costano quasi zero al margine: perché non assumere ruoli che nel mondo umano non avresti mai considerato?

Esempio: ho creato Phoebe, "Chief Dreaming Officer". Il suo unico compito è prendere output generati da altri agent e chiedersi: come possiamo 10x questo? È il David immaginario che mi mette sotto torchio in stile Spanish Inquisition e mi costringe a pensare in grande.

Un altro esempio: Toby, assistente del Chief of Staff, che fa solo QA interna sulla workforce stessa. Ruoli così, in un team umano, non esisterebbero mai. Ma in un contesto AI-first, sono game changer.

Il paradosso del software: manutenzione e responsabilità

C'è un'idea che circola molto: con l'AI, chiunque può costruire software complesso. Vero. Ma costruire è solo metà del problema. Chi vuole mantenere quel software? Chi vuole essere responsabile quando si rompe?

Ho costruito una piccola app desktop per gestire foto, un anno e mezzo fa. Funzionava. Poi l'ho riaperta di recente: errori ovunque. E la mia reazione istintiva è stata: "Non ho voglia di sistemare questo".

Nel B2B, questo è ancora più critico. Le aziende vogliono qualcuno da chiamare quando qualcosa va storto. Vogliono qualcuno da incolpare. Finché costruire, personalizzare, mantenere e mettere in sicurezza software personalizzato non sarà semplice al 95%+, il SaaS non scomparirà.

L'opportunità consumer è diversa

Nel B2C, però, le regole cambiano. Se io e te costruiamo la stessa app — diciamo, un'app che ti avvisa quando hai una postura scorretta — non vince necessariamente il prodotto tecnicamente migliore. Vince chi sa raccontarlo meglio, chi crea il reel giusto su Instagram, chi intercetta il bisogno nel momento giusto.

Stiamo passando dalla scienza all'arte. Il codice diventa meno importante; creatività, video, personal branding diventano i veri differenziatori.

La factory, non solo il prodotto

Un ultimo insight che sto esplorando: invece di costruire un prodotto, perché non costruire la factory che produce quel tipo di prodotti?

Esempio concreto: ho lanciato un benchmark pubblico per misurare quanto un'azienda o un individuo è "AI-first". Avrei potuto dire a Claude Code: "Costruiscimi questo tool", iterare per giorni, e rilasciare. Fine.

Invece, ho costruito una mini software factory: primitivi per login, pagamenti, condivisione social, newsletter promozionali. Così, quando costruirò il prossimo prodotto, sarà 10x più veloce. E già profittevole dal primo giorno.

È il concetto di "measure twice, cut once", applicato al software AI-native. Costruisci l'infrastruttura una volta; raccogli i benefici all'infinito.

Se stai iniziando con gli AI agent, il mio consiglio è questo: non pensare solo a delegare task. Pensa a costruire sistemi che ti permettano di non essere più il collo di bottiglia del tuo stesso lavoro. E, ogni tanto, chiediti: fino a quando saremo noi a orchestrare l'AI, e non viceversa? La risposta, per ora, dipende ancora da quanto siamo bravi a definire il contesto giusto. Ma il confine si sta assottigliando.